CN113111794B - 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 - Google Patents

一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 Download PDF

Info

Publication number
CN113111794B
CN113111794B CN202110413753.5A CN202110413753A CN113111794B CN 113111794 B CN113111794 B CN 113111794B CN 202110413753 A CN202110413753 A CN 202110413753A CN 113111794 B CN113111794 B CN 113111794B
Authority
CN
China
Prior art keywords
green
resolution
annual
image
green space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110413753.5A
Other languages
English (en)
Other versions
CN113111794A (zh
Inventor
程熙
聂鹏
莫忧
周宇轩
姜敖
潘兴海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110413753.5A priority Critical patent/CN113111794B/zh
Publication of CN113111794A publication Critical patent/CN113111794A/zh
Application granted granted Critical
Publication of CN113111794B publication Critical patent/CN113111794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，包括以下步骤：获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像采集城市绿地样本；采用深度学习的方法对所述样本进行模型训练，应用训练好的模型对Google Earth影像进行分类处理，获得初始高分辨率绿地图斑；获取所述某一年份中逐月的多光谱影像；根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑；矢量化所述初始高分辨率绿地图斑和年度绿地图斑，然后对两种图斑进行空间关系分析；根据空间关系分析结果对所述初始高分辨率绿地图斑进行修正，获得修正后的年度绿地图斑。本发明能够实现精度稳定且高效的高分辨率的年度城市绿地信息的准确提取。

Description

一种面向图斑的高分辨率年度城市绿地遥感信息提取方法
技术领域
本发明涉及遥感信息提取技术领域，特别涉及一种面向图斑的高分辨率年度城市绿地遥感信息提取方法。
背景技术
城市绿地具有净化空气、水体和土壤，改善城市气候，降低城市噪音等优点，在城市生态系统中起着非常重要的作用，准确提取城市绿地对于城市建设至关重要。随着遥感技术的不断发展，越来越多的遥感影像应用于城市绿地的测绘和变化分析之中。
绿色植被在近红外波段具有高强度的光谱反射特征，以此为基础建立的各种植被指数是进行遥感绿地提取的常规方法。在这些研究中所采用的数据源主要为多光谱影像，如Landsat系列，Sentinel-2等，这些影像空间分辨率相对较低，难以精确描述城市内部空间的植被形态信息。另一方面，以Google Earth为代表的在线遥感影像地图产品整合了不同卫星遥感数据，能够提供大量的高空间分辨率的遥感影像，然而该类遥感影像一般仅能获取红绿蓝3个波段，光谱信息较为匮乏；特别是缺少对植被最为敏感的近红外波段信息，因此少有研究依靠Google Earth影像对城市绿地进行提取；同时由于影像获取时间不一致，空间上影像信息不一定连续，单纯依靠Google Earth对城市绿地进行识别难以满足对于年度绿地数据获取的需求。
发明内容
针对上述问题，本发明旨在提供一种面向图斑的高分辨率年度城市绿地遥感信息提取方法。
本发明的技术方案如下：
一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，包括以下步骤：
获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像采集城市绿地样本；
采用深度学习的方法对所述样本进行模型训练，应用训练好的模型对所述GoogleEarth影像进行分类处理，获得初始高分辨率绿地图斑；
获取所述某一年份中逐月的多光谱影像；
根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑；
矢量化所述初始高分辨率绿地图斑和所述年度绿地图斑，然后对所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析；
根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正，获得修正后的年度绿地图斑。
作为优选，所述样本的尺寸为4000×4000像素或1000×1000像素。
作为优选，所述深度学习的方法为卷积神经网络算法。
作为优选，所述卷积神经网络算法采用DlinkNet卷积神经网络算法或UNet卷积神经网络算法。
作为优选，所述多光谱影像通过Sentinel 2卫星获得。
作为优选，计算所述月度归一化植被指数之后，还包括将所述月度归一化植被指数进行季节时间序列特征分类的步骤。
作为优选，根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑时，根据季节性的归一化植被指数特征对所述多光谱影像进行分类，且分类时采用Random Forest算法。
作为优选，根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正具体包括以下三条并行的修正规则：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的绿地，且所述多光谱影像提取结果为非绿地，则去除所述绿地；
若Google Earth影像提取结果为绿地，且所述绿地的面积小于阈值一，则对所述绿地进行目视检测；若是绿地则保留所述绿地，若是非绿地则去除所述绿地；
修正规则二：若多光谱影像提取结果为绿地，则检查Google Earth影像的提取结果中是否有弱分类的绿地，若有，则将所述弱分类的绿地替换为强分类的绿地；
修正规则三：根据所述初始绿地图斑提取绿地图斑外边界，若所述外边界内包含的非绿地面积大于阈值二，且所述多光谱影像提取结果为绿地，则对所述非绿地进行填充将其归类为绿地。
作为优选，所述阈值一为一颗树的树冠面积。
作为优选，所述阈值二为一间房屋的大小。
作为优选，还包括根据所述修正后的年度绿地图斑，计算每个图斑内部时间序列特征，获取面向图斑的绿地变化信息的步骤。
本发明的有益效果是：
本发明以Google Earth影像通过深度学习获得的初始高分辨率绿地图斑为基础，结合通过Sentinel 2获得的年度多光谱绿地图斑进行空间分析，并通过三条并行的绿地图斑修正规则对所述初始高分辨率绿地图斑进行修正，最终获得精度稳定的高分辨率年度城市绿地信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明面向图斑的高分辨率年度城市绿地遥感信息提取方法的流程示意图；
图2为某地原始遥感图像示意图；
图3为图2遥感图像采用DlinkNet卷积神经网络算法识别绿地图斑的结果示意图；
图4为图2遥感图像采用UNet卷积神经网络算法识别绿地图斑的结果示意图；
图5为某样本一的Google Earth原始图片及其初始高分分辨率绿地图斑识别结果示意图；
图6为某样本一的Sentinel 2原始影像合成图及其年度绿地图斑结果示意图；
图7为某样本二采用修正规则一进行修正的年度绿地图斑结果示意图；
图8为某样本三采用修正规则二进行修正的年度绿地图斑结果示意图；
图9为某样本四采用修正规则三进行修正的年度绿地图斑结果示意图；
图10为某样本五的春夏秋冬四季变化的时间序列信息结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如图1所示，本发明提供一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，包括以下步骤：
S111：获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像采集城市绿地样本。
在一个具体的实施例中，所述样本的尺寸为4000×4000像素(对应Google Earth20级影像)或1000×1000像素(对应Google Earth 18级影像)。需要说明的是，所述样本的尺寸大小根据像源的影像级别及计算机处理能力进行确定，上述实施例中的样本尺寸并非对发明样本尺寸的限定，只要样本为N×N大小的图片即可。
S112：采用深度学习的方法对所述样本进行模型训练，应用训练好的模型对所述Google Earth影像进行分类处理，获得初始高分辨率绿地图斑。
在一个具体的实施例中，所述深度学习的方法为卷积神经网络算法。可选地，所述卷积神经网络算法采用DlinkNet卷积神经网络算法或UNet卷积神经网络算法。
在一个具体的实施例中，分别采用DlinkNet卷积神经网络算法和UNet卷积神经网络算法对图2所示的原始遥感图像进行分类处理，结果分别如图3和图4所示。对比图2和图3可以看出，对于图2中的各种大小的树、草地等主要城市绿地，DlinkNet卷积神经网络算法均能准确识别其边界，其分类结果优于常见基于影像分割的提取方法。对比图2和图4可以看出，图2中的各类绿地UNet卷积神经网络算法也均能较好地实现提取，但对比图3和图4，UNet卷积神经网络算法未能全部识别出部分细小的绿地，识别结果的空间形态不如DLinkNet卷积神经网络算法完善，但是分类结果已经基本可以满足一般要求。
需要说明的是，除了上述可满足后续分析精度要求的算法外，本发明所述深度学习方法还可采用现有技术中的其他深度学习方法，例如DeepNetV3卷积神经网络算法等。
S121：获取所述某一年份中逐月的多光谱影像。可选地，所述多光谱影像通过Sentinel 2卫星获得。
S122：根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑。
在一个具体的实施例中，根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑时，根据季节性的归一化植被指数特征对所述多光谱影像进行分类，且分类时采用Random Forest算法。
S200：矢量化所述初始高分辨率绿地图斑和所述年度绿地图斑，然后对所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析。
S300：根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正，获得修正后的年度绿地图斑。
在一个具体的实施例中，根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正具体包括以下三条并行的修正规则：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的绿地，且所述多光谱影像提取结果为非绿地，则去除所述绿地(对于此种情况，可能是由于Google Earth影像提取错误或者时向错误的原因造成的)；若Google Earth影像提取结果为绿地，且所述绿地的面积小于阈值一，则对所述绿地进行目视检测；若是绿地则保留所述绿地，若是非绿地则去除所述绿地。
可选地，所述阈值一为一颗树的树冠面积。需要说明的是，选择的树为任意景观树或其他树木，所述阈值一也可直接设置为一个具体的面积范围。
修正规则二：若多光谱影像提取结果为绿地，则检查Google Earth影像的提取结果中是否有弱分类的绿地，若有，则将所述弱分类的绿地替换为强分类的绿地。
需要说明的是，所述弱分类和所述强分类是根据初始绿地图斑的结果自定义的，具体的通过深度学习确定的绿地结果具有0-100的值，该值的大小表明了该像素为绿地的概率大小，值越大是真实绿地的概率越大，可根据该值的大小将结果分为0-50的弱分类绿地以及50-100的强分类绿地。需要说明的是，也可将强弱分类绿地的分类边界值选为其他值，例如40、60、70等等。
修正规则三：根据所述初始绿地图斑提取绿地图斑外边界，若所述外边界内包含的非绿地面积大于阈值二，且所述多光谱影像提取结果为绿地，则对所述非绿地进行填充将其归类为绿地。需要说明的是，此种情况对应Google Earth影像获取时间上的某块绿地的植被稀疏的情况，对应年度时间范围，仍将该地归类为绿地。
可选地，所述阈值二为一间房屋的大小。需要说明的是，所述阈值二也可以是几间房屋的面积总和，具体可根据不同的场景进行区别设置。
在一个具体的实施例中，本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，在计算所述月度归一化植被指数之后，还包括将所述月度归一化植被指数进行季节时间序列特征分类的步骤。
在一个具体的实施例中，本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，还包括根据所述修正后的年度绿地图斑，计算每个图斑内部时间序列特征，获取面向图斑的绿地变化信息的步骤。
实施例1
中国四川省成都市的某区域内的城市绿地包含了从低密度到高密度的树木、草地等常见类型，具有代表性，以其为本发明的实施范围，该区域的年度城市绿地遥感信息提取方法具体包括以下步骤：
首先，通过Google Earth获得该区域2020年的20级影像，通过Sentinel 2卫星获得该区域2020年1-12月份的影像；
其次，根据获取的Google Earth 20级影像采集60个尺寸均为4000×4000像素的样本，并采用DlinkNet卷积神经网络算法对所有样本进行模型训练，应用训练好的模型对所述Google Earth 20级影像进行分类处理，获得初始高分辨率绿地图斑。其中某样本一的原始图片及其初始高分分辨率绿地图斑识别结果如图5所示，其中，图5(a)为该样本的原始图片，图5(b)为该样本通过DlinkNet卷积神经网络算法识别到的初始高分分辨率绿地图斑结果示意图。从图5可以看出，本发明提供的深度学习方法能够提取到准确的高分辨率绿地图斑轮廓。
再次，对获得的Sentinel 2影像进行去云合成处理，计算月度归一化植被指数并构建春夏秋冬4个季节的最小值、最大值、平均值的时序特征，并取其中具有10米空间分辨率的蓝、绿、红与近红外4个波段组成分类特征，采用Random Forest模型进行影像分类并矢量化后获得该区域的年度绿地图斑。其中上述步骤中的某样本一的Sentinel 2原始影像合成图及其年度绿地图斑结果如图6所示，其中，图6(a)为该样本的Sentinel 2原始影像，图6(b)为该样本年度绿地图斑结果示意图。
然后，根据所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析，根据空间分析结果对所述初始高分辨率绿地图斑采用三条并行的修正规则进行修正，获得修正后的年度绿地图斑。
其中某样本二采用修正规则一进行修正的结果如图7所示，其中，图7(a)为该样本的Google Earth原始影像，图7(b)为该样本的初始高分辨率绿地图斑，图7(c)为该样本的年度绿地图斑，图7(d)为该样本采用修正规则一修正后的年度绿地图斑结果示意图。从图7可以看出，原始影像中的绿色操场部分因其颜色的关系，被深度学习方法识别为了绿地图斑，模型提取错误，而在结合多光谱的年度绿地图斑以及修正规则一进行修正后，最终的年度绿地图斑结果与实际相符，本发明的提取方法提取结果精确。
其中某样本三采用修正规则二进行修正的结果如图8所示，其中，图8(a)为该样本的Google Earth原始影像，图8(b)为该样本的初始高分辨率绿地图斑，图8(c)为该样本的年度绿地图斑，图8(d)为该样本采用修正规则二修正后的年度绿地图斑结果示意图。从图8可以看出，结合多光谱的年度绿地图斑以及修正规则二进行修正后，最终的年度绿地图斑结果比初始高分辨率绿地图斑准确度更高，与实际更加相符，本发明的提取方法提取结果精确。
其中某样本四采用修正规则三进行修正的结果如图9所示，其中，图9(a)为该样本的Google Earth原始影像，图9(b)为该样本的初始高分辨率绿地图斑，图9(c)为该样本的年度绿地图斑，图9(d)为该样本采用修正规则三修正后的年度绿地图斑结果示意图。从图9可以看出，结合多光谱的年度绿地图斑以及修正规则三进行修正后，最终的年度绿地图斑结果比初始高分辨率绿地图斑准确度更高，与实际更加相符，本发明的提取方法提取结果精确。
最后，以修正后的年度绿地图斑为边界，前述步骤获得的时序特征计算其中从1月到12月的归一化植被指数的变化，获得其年度变化的时间序列信息。
其中某样本五的春夏秋冬四个季节变化的时间序列信息如图10所示，图10中亮度越高的区域代表其植被越茂盛。从图10可以看出，植被茂盛情况与植物四季生长情况一致，本发明获得的粘度变化时间序列信息精确。
通过上述实施例的结果可以发现，本发明提供的提取方法通过首先获取高分辨率的绿地图斑轮廓信息，然后以图斑为基本分析单元，结合多光谱影像对其提取结果的模型错误或时相不一致误差进行修正，最终获得结果准确的年度城市绿地遥感信息。另外，还可进一步结合多光谱影像的时间序列特征获取各个绿地图斑内部植被变化的年度时间序列信息。
综上所述，本发明提供的方法能够实现以面向图斑的高分辨率城市绿地信息的准确提取，并提供比一般方法更精细的形态特征和更丰富的光谱变化信息。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，包括以下步骤：
获取某一年份的Google Earth高分辨率影像，根据所述Google Earth影像采集城市绿地样本；
采用深度学习的方法对所述样本进行模型训练，应用训练好的模型对所述GoogleEarth影像进行分类处理，获得初始高分辨率绿地图斑；
获取所述某一年份中逐月的多光谱影像；
根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑；
矢量化所述初始高分辨率绿地图斑和所述年度绿地图斑，然后对所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析；
根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正，获得修正后的年度绿地图斑；
根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正具体包括以下三条并行的修正规则：
修正规则一：若Google Earth影像提取结果为面积大于阈值一的绿地，且所述多光谱影像提取结果为非绿地，则去除所述绿地；
若Google Earth影像提取结果为绿地，且所述绿地的面积小于阈值一，则对所述绿地进行目视检测；若是绿地则保留所述绿地，若是非绿地则去除所述绿地；
修正规则二：若多光谱影像提取结果为绿地，则检查Google Earth影像的提取结果中是否有弱分类的绿地，若有，则将所述弱分类的绿地替换为强分类的绿地；
修正规则三：根据所述初始绿地图斑提取绿地图斑外边界，若所述外边界内包含的非绿地面积大于阈值二，且所述多光谱影像提取结果为绿地，则对所述非绿地进行填充将其归类为绿地。
2.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，所述样本的尺寸为4000×4000像素或1000×1000像素。
3.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，所述深度学习的方法为卷积神经网络算法。
4.根据权利要求3所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，所述卷积神经网络算法采用DlinkNet卷积神经网络算法或UNet卷积神经网络算法。
5.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，所述多光谱影像通过Sentinel 2卫星获得。
6.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，计算所述月度归一化植被指数之后，还包括将所述月度归一化植被指数进行季节时间序列特征分类的步骤。
7.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，根据所有月份的多光谱影像计算月度归一化植被指数，获得年度多光谱绿地图斑时，根据季节性的归一化植被指数特征对所述多光谱影像进行分类，且分类时采用RandomForest算法。
8.根据权利要求1所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，所述阈值一为一颗树的树冠面积；所述阈值二为一间房屋的大小。
9.根据权利要求1-8中任意一项所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法，其特征在于，还包括根据所述修正后的年度绿地图斑，计算每个图斑内部时间序列特征，获取面向图斑的绿地变化信息的步骤。
CN202110413753.5A 2021-04-16 2021-04-16 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 Active CN113111794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110413753.5A CN113111794B (zh) 2021-04-16 2021-04-16 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110413753.5A CN113111794B (zh) 2021-04-16 2021-04-16 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法

Publications (2)

Publication Number Publication Date
CN113111794A CN113111794A (zh) 2021-07-13
CN113111794B true CN113111794B (zh) 2022-07-01

Family

ID=76718110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110413753.5A Active CN113111794B (zh) 2021-04-16 2021-04-16 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法

Country Status (1)

Country Link
CN (1) CN113111794B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612003A (zh) * 2023-11-27 2024-02-27 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120212484A1 (en) * 2010-02-28 2012-08-23 Osterhout Group, Inc. System and method for display content placement using distance and location information
CN102044078A (zh) * 2010-12-17 2011-05-04 住房和城乡建设部城乡规划管理中心 基于高分辨率遥感影像的城市绿地分类的方法
CN102254319B (zh) * 2011-04-19 2013-06-19 中科九度(北京)空间信息技术有限责任公司 一种多层次分割的遥感影像变化检测方法
US10331207B1 (en) * 2013-03-15 2019-06-25 John Castle Simmons Light management for image and data control
CN104103076A (zh) * 2014-07-29 2014-10-15 环境保护部卫星环境应用中心 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法
CN106384081B (zh) * 2016-08-30 2020-04-24 水利部水土保持监测中心 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN107103305A (zh) * 2017-05-03 2017-08-29 西安科技大学 基于高分辨率遥感影像的高标准农田识别方法
CN107688777B (zh) * 2017-07-21 2022-11-18 同济大学 一种协同多源遥感影像的城市绿地提取方法

Also Published As

Publication number Publication date
CN113111794A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
CN112131946B (zh) 光学遥感影像植被和水体信息自动提取方法
KR100678395B1 (ko) 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법
CN111626269B (zh) 一种实用的大空间范围滑坡提取方法
CN112818749B (zh) 一年两熟地区大宗粮油作物复种模式遥感监测方法
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN107392130A (zh) 基于阈值自适应和卷积神经网络的多光谱图像分类方法
Hussin et al. Evaluation of object-based image analysis techniques on very high-resolution satellite image for biomass estimation in a watershed of hilly forest of Nepal
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN114519821A (zh) 一种绿色健康植被遥感识别指数的构建方法
CN113111794B (zh) 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法
CN115861629A (zh) 一种高分耕地影像提取方法
Verma et al. Mapping and area estimation of mango orchards of Lucknow region by applying knowledge based decision tree to Landsat 8 OLI Satellite Images
CN102231190B (zh) 冲洪积扇信息的自动提取方法
Tsendbazar Object based image analysis of geo-eye VHR data to model above ground carbon stock in Himalayan mid-hill forests, Nepal
CN116883853A (zh) 基于迁移学习的作物时空信息遥感分类方法
Brandtberg et al. High-spatial-resolution remote sensing
CN113096114B (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
Gwata Developing high resolution clutter for wireless network propagation using WorldView-2 imagery
CN117347974B (zh) 一种灌丛植被地上生物量的估测方法及装置
de Carvalho Jr et al. Normalization of multi-temporal images using a new change detection method based on the spectral classifier
Bagheri et al. Canopy based aboveground biomass and carbon stock estimation of wild pistachio trees in arid woodlands using Geoeye-1 images
Jiménez-Bello et al. Use of remote sensing and geographic information tools for irrigation management of citrus trees
Sharma et al. Effect of seasonal spectral variations on land cover classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Cheng Xi

Inventor after: Nie Peng

Inventor after: Mo You

Inventor after: Zhou Yuxuan

Inventor after: Jiang Ao

Inventor after: Pan Xinghai

Inventor before: Nie Peng

Inventor before: Cheng Xi

Inventor before: Mo You

Inventor before: Zhou Yuxuan

Inventor before: Jiang Ao

Inventor before: Pan Xinghai

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant